新研究：面對不斷變化的世界 突變型 AI 群體可勝過經優化模型
美通社 2026-09-05 05:15 ET 聽新聞 test 0:00 /0:00 Your browser does not support HTML5 Audio! 😢現有 AI 系統受限於一項缺陷：當模型訓練所依據的世界發生變化時，它們便無法適應。Allora Labs 首席科學家撰寫的一篇新論文，以數學方式證明，可以運用在自然界孕育智能的同一套演化原則，克服這項根本限制。研究顯示，在 AI 模型群體中引入刻意設定的隨機突變，當周遭環境發生變化時，群體的整體表現可勝過任何單一經優化模型。該論文題為〈Flawed in Nature, Perfect through Evolution〉，刊載於學術期刊 Allora Decentralized Intelligence。
自然缺陷機制。漂移：環境發生變化，根據舊數據訓練的模型便與新環境錯配。限制：單一模型的誤差會隨環境變化不斷累積，形成難以突破的效能上限。突變：平均而言，突變副本的表現預計不如原模型；但在眾多副本中，表現最佳者會更接近新的最優解。合成：權重會集中於表現最佳的模型，群體的整體輸出亦會反映勝出者的表現。個體失利，但集體取勝。
「任何單一 AI 模型，無論訓練得多麼完善，只要模型訓練所依據的世界發生變化，誤差便會開始累積。」Allora Labs 首席科學家兼論文作者 Diederik Kruijssen 博士表示。「這是資訊理論上無法避免的效能上限。我們證明，由刻意多樣化的模型組成的群體能突破這一上限，原理與生物物種在環境變化中存活相同。它們具備既有變異，其中一些更適合環境變化後的世界。」
這項關鍵洞見直接源自演化生物學。在自然界，物種透過突變維持基因多樣性。大多數突變對個別生物有害，但族群會因此受益，因為當環境轉變時，部分變異可能恰好適應新的條件。這項研究證明，同一原則也適用於 AI 模型群體：每個突變模型單獨來看表現較差，但當環境發生變化時，突變群體中的最佳模型在約 80% 的情況下能勝過經優化群體中的最佳模型。
「個體不完美促成集體適應的理念，在演化理論中早已確立；但能以數學保證的方式，在人工系統中將這一理念形式化，實在是重大進展。這項研究為我們思考 AI 在不斷變化環境下的穩健性，開拓了全新維度。」
—— Steven Longmore 教授，Liverpool John Moores University，AI 驅動的生物多樣性保育
論文中的四項數學定理逐步證明，任何單一模型都無法突破這一效能上限；同時，由突變模型組成的群體在可證明的基礎上突破了該上限。數值實驗驗證了全部四項定理；突變群體的綜合輸出以高度統計顯著性勝過原始群體。
當模型突變速率大致與環境變化速率相匹配時，這項優勢達到最高：這形成一個「恰到好處」區間，與演化動力學相呼應。最佳運作區間相當寬廣：峰值周邊的適用範圍約跨越 100 倍；突變速度過慢所造成的損失較為溫和，但突變速度過快則會令效能急劇下降。這種容錯特性為實際應用開闢了廣闊空間。
Allora Labs 行政總裁 Nick Emmons 談及這項研究時表示：「隨著 AI 系統部署於金融市場、醫療保健、自動駕駛汽車及其他不斷變化的環境，無法適應不斷變化的條件，已成為它們最主要的失效模式。目前大部分 AI 研究都集中於讓單一模型變得更大、更快。我們認為，更大的提升空間在於模型群體之間如何互動及演化，而這項研究證明，這正是正確的思考方向。」
「我們所認為的智能特質，例如原創性、適應能力及創造力，都要求具備在前所未遇的條件下保持良好表現的能力。」Kruijssen 博士表示。「現有 AI 模型做不到這一點。它們只能複製已學到的內容，卻無法適應未知。不斷演化的模型群體則能做到。這正是本研究所展示的結果，也是演化數十億年來一直在做的事情。」
論文列出多個未來研究方向，包括透過微調方法將自然缺陷原則應用於大型語言模型、將其延伸至去中心化 AI 網絡，以及開發一套可自動調節突變強度的控制器演算法，而無需預先掌握環境將如何變化。Kruijssen 博士補充：「這樣的成果將帶來眾多後續研究方向。我們團隊已建立一套控制器，讓這項原則能在實際應用中發揮作用；多項具體應用的研究工作亦已展開。」
本文及相關圖片內容由合作單位「美通社」提供，「世界新聞網」經授權轉載刊登。文章內容、圖片及相關著作權均屬原提供單位或權利人所有，「世界新聞網」僅作資訊分享與媒體刊登使用。
美通社
美通社（PR Newswire）為全球公司新聞與公共關係提供服務的大型通訊社，影響範圍可括及170個國家和地區。
上一則
评论 (0)